报得出数字还不够：CoLMbo-SV 把声纹比对拆成会验证、会引用、待解释的三件事

英文题目：CoLMbo-SV: A Grounded Language Model for Explainable Speaker Verification

标签：#说话人验证 | #多模态学习 | #数据集 | #可解释性

评分：7.5/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5

👥 作者与机构

• Massa Baali：Carnegie Mellon University, USA
• Sarthak Bisht：Carnegie Mellon University, USA
• Ziyue Qiu：Carnegie Mellon University, USA
• Joseph Konan：Carnegie Mellon University, USA
• Rita Singh：Carnegie Mellon University, USA
• Bhiksha Raj：Carnegie Mellon University, USA

📌 核心摘要

说话人验证（Speaker Verification, SV）输入为两段语音并输出是否同人，其难点在于嵌入相似度不交代何种声学证据支持判决且信道与韵律混杂难拆分。该系统先用冻结说话人编码器保留完整判别表示，再经映射器（Mapper）生成语言模型前缀并以原始证据旁路输送未压缩比较特征，最后将声学测量以文本块送入语言模型以支撑可核对引用。语言模型在此外缀与测量文本条件下联合生成结构化报告与书面判决，并以两结论负对数似然差作为判决分参与阈值扫描。与把验证压缩进可读特征瓶颈的思路不同，该设计允许判决使用不可名状信息而报告仅承担部分事后说明。测量以文本而非压缩软词元输入以保留精确数值，验证头则提供独立于语言模型的连续决策路径以分离评估。在VoxCeleb1-O共37611个试次上，系统以判决分达到0.99%等错误率（Equal Error Rate, EER），相对同数据微调的最强音频语言基线4.83%大幅降低。该结论限于朗读与访谈语音且未覆盖电话信道与极短语音，原文未披露训练、推理或部署成本。其可解释性承诺的适用边界仍受限于报告模板化倾向，跨信道与强噪声外推尚未验证。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

说话人确认系统缺的是哪种可检查性？

输入是两段录音，目标是判断是否为同一说话人，并给出能被检查的声学依据。现代说话人确认系统通常把每段录音映射为说话人嵌入，再用余弦相似度或学习到的后端打分。分数能区分人，但不说明哪些相似支持同人判断、哪些差异反对它，也不说明录音条件如何影响比较。

初学者容易把高精度等同于可解释，论文首先纠正这一点：表示中可能包含当前无法命名或无法测量的区分信息，如果把判定限制在规定的人可读特征上，这些特征就会成为判定的瓶颈。论文选择事后解释路线，允许验证器先用完整表示完成计算，再用部分可解释证据去说明它。

比如说明音质或基频变化的作用，但不声称这些穷尽了判定依据，要求是凡是说明的部分应当忠实。论文强调，生成一段流利的理由本身不建立与计算的联系。教学例子是：报告说两段语音基频相似，这句话在声学上可以正确，但基频相似可能对验证分数几乎没有贡献。

反过来分数依赖的信息报告可能只字未提。因此需要把 3 个问题分开：嵌入编码了什么声学信息，分数对什么敏感，报告又讨论了什么。本解读的输出是一套可复述的方法链条：系统如何保留完整表示做判定，如何让报告引用精确测量值。

数据如何同时提供身份标签、测量值和经过数值校验的比较报告，评价如何分别测量描述正确性与决策相关性，都需要按原文条件复述。必须保留的信息包括实验条件是否一致、指标方向、数值单位与聚合对象，以及哪些结论是论文直接报告、哪些只是有限解释。

与可解释说话人识别和语音语言模型有何不同？

在相同输入和相同目标下，法医语音比较关注已知说话人与存疑录音的比较，需要在竞争假设下评估证据强度，而不只是相似度。相关工作中有把每段语音表示为共享说话人属性二值向量的路线，每个属性对应行为参数并在独立性假设下相乘得到似然比。

也有在类 ECAPA 结构中加入音素特征层的做法，按音素段平均帧嵌入并输出音素级相似向量，让用户看到哪些音素特征支持该次试验。这些路线把可解释性做进判定本身，与本文保留完整嵌入再做事后说明的路线不同。

在相同运行阶段但不同监督目标下，语音语言模型可以描述频谱和韵律或回答语音问题，但训练数据是单段描述而非成对验证，其数字声明通常没有与信号测量值做过校验。早期的 CoLMbo 做单句描述，ADIFF 做感知音质比较但不提取声学测量也不做验证裁决。

论文的对照点是：CoLMbo-SV 同时输出验证判定和基于命名声学测量的结构化报告，并进一步评价报告讨论的证据是否为判定敏感的证据。初学者应注意，类别差异不能当作同条件胜负，只有在相同配对、相同试验列表和相同评分方式下比较才有意义。

论文把解释拆成哪三个可测量问题？

第一个问题是报告是否把录音说对了。论文用数值接地衡量，即报告中数字声明与提取测量值在容差内一致的比例。容差是绝对 0.5 或相对 5%，并排除章节号、共振峰标签、试次编号等非声明匹配。只看至少引用一个数字的报告。

还统计全部声明可验证的报告比例和至少 1/2 可验证的报告比例，以及报告覆盖了提示要求特征的比例和重复三元组比例。没有给出明确裁决的报告记为未知，在严格准确率下按错误处理。这一步只检验描述正确，不检验解释相关。

第二个问题是判定依赖什么。论文对两条判定路径分别做基于概念激活向量的敏感性分析，把判定对联合表示的梯度投影到概念方向，报告幅度占比，并与随机方向比较做显著性检验。编码与显著同时满足的概念构成决策相关集合。

第 3 个问题是报告讨论了什么。论文统计报告讨论特征中有多少落在决策相关集合中，以及本对最强的前 3 个概念被提到多少，再用随机另 1 对的前 3 名做对照得到提升值，以区分报告是回应当前配对还是背诵固定清单。

数值接地 × 决策接地： 数值接地问报告里的数字是否与从信号提取的测量值一致，分工是检验描述是否正确；决策接地问报告讨论的特征是否为当前判定敏感的证据，分工是检验解释是否相关。两者必须搭配，因为数字正确不等于抓住了影响分数的证据，只有同时测量才能发现报告正确但不解释判定的缺口。

CoLMbo-SV 如何让判定与报告各走各的路？

沿一个样本走一遍流程有助于建立整体图像。输入是两段录音和一段文本提示，输出是一份结构化比较报告，报告引用声学测量值并以同人或不同人结论收尾。冻结的说话人编码器先把每段录音变成 192 维说话人嵌入。

信号处理前端从每段录音提取 18 个声学测量值，语言模型同时读到两者并写出报告。设计目标只有一句话：验证保留完整说话人表示，报告引用可与信号核对的精确值。为此系统用 3 条独立通道搬运 3 类信息，避免任何一条成为其他信息的瓶颈。

完整说话人表示经原始证据旁路无压缩到达判定；有损但表达力强的映射器给语言模型提供可写的前缀；测量值以文本块形式经语言模型自身的嵌入层读入，使报告能逐字复制精确数字。编码器在所有结果中保持冻结且相同，并有意不约束在 18 个测量概念内。

验证仍可使用无法命名的说话人信息。推理时从音频提取测量值并拼入提示，语言模型贪心解码并带重复惩罚和 6 元组阻塞，最长 2560 个词元，从结论行解析裁决。这条主线先建立输入到输出的因果链，后续组件节再展开每个模块的计算细节。

编码器、映射器和测量通道各自做什么？

说话人编码器使用为说话人确认预训练的 W2V-BERT 2.0 主干，每个话语输出一个池化后的说话人嵌入。白话说，它是负责听出谁是谁的耳朵，英文为 speaker encoder。声学测量覆盖录音条件、韵律、发声和分段声学，例如信噪比、基频均值与范围、抖动与闪烁、谐噪比、共振峰均值和嗓音起始时间。

白话说，它们是能量化并能复测的尺子，英文为 acoustic measurements。映射器把每个嵌入投成 32 个软词元，把嵌入后的提示词投成另一组软词元，再用 4 层交叉投影混合成前缀，其中包含一个比较令牌。原始证据旁路在未投影的归一化嵌入上计算比较特征。

比较特征包含拼接、绝对差、逐元乘积和余弦值，送往两处：一是两层感知机加余弦残差的验证头，二是前缀中的比较令牌。论文解释了这样安排的理由：冻结编码器按余弦相似度几乎完全分开说话人，但很多证据经映射器压缩后丢失，因此不让验证走前缀。

测量通道把两段录音的 18 个测量值渲染为约 400 词元的文本块，保留名称与两段取值，有意不用学习到的压缩词元，因为目标不仅是传递信息，更是保留可外部检查的精确值。

说话人嵌入 × 声学测量： 说话人嵌入负责携带区分说话人的稠密身份信息，验证可以不受限地使用其中未命名成分；声学测量负责提供信噪比、基频、抖动、共振峰等可核对标量，供报告逐字引用。两者搭配的原因是嵌入强但不可读、测量可读但不完备，组合后判定走嵌入旁路不被可读特征卡住，报告走文本测量通道保证数字可查。

映射器 × 原始证据旁路： 映射器把两个语音嵌入和提示词转成语言模型可读的软提示前缀，分工是让语言模型能写报告；原始证据旁路把未压缩的归一化嵌入比较特征直接送给验证头和比较令牌，分工是保留余弦相似度几乎无损的判别信息。搭配理由是软提示压缩对验证是有损的，旁路让判定不经过有损压缩，同时让书面结论仍能以比较令牌为条件与连续判定保持一致。

验证头 × 语言模型裁决： 验证头是在原始比较特征上的两层感知机加余弦残差，分工是提供连续、可微的第二条判定路径；语言模型裁决是报告结尾同人或不同人的书面结论，分工是与报告文本一起被评分并计等错误率。组合意义在于两者共享同一语音证据却不受约束使用相同线索，因此解释其中一条不等于解释另一条，需要分别做敏感性分析。

两条判定路径为何可能使用不同证据？

CoLMbo-SV 有两条判定接口。语言模型写出报告的同人或不同人结论，由该结论派生的裁决分数用于计算论文中所有等错误率；验证头输出连续对数值，只参与二元交叉熵训练并在第 1 阶段后冻结，不直接为裁决打分。

两者是同一证据上的第二条连续判定路径，论文同时分析两者，因为一份数值接地的报告可能既没有描述这条路径也没有描述那条路径使用的证据。这种分离是设计使然，没有任何约束要求连续分数与书面结论使用相同证据。

后续敏感性分析显示，验证头只有基频范围和基频标准差两个概念通过校正，而语言模型裁决有十多个概念通过，且排序随配对变化。这意味着解释其中一个不等于解释另一个。初学者常见误解是把验证头的高精度当作报告忠实。

论文明确区分存在与使用：信息出现在前缀中不等于语言模型在裁决时使用了它。这个区分是后文评价框架的核心，也是理解消融与提示实验的前提。

三阶段课程与数据过滤如何分步学会验证和引用？

训练按课程分 3 个阶段，每阶段从上 1 阶段继续微调，只让模型 1 次学会一件事。第 1 阶段学验证，在无证据块的报告目标上同时训练映射器、验证头和低秩适配器；第二阶段学报告但固定验证器，冻结编码器和验证头并调小交叉熵权重。

这样语言模型学会写作和读取比较令牌而不搬动它所依赖的判定；第 3 阶段把报告接到精确测量上，目标以结构化证据块开头，提示中加入测量文本块，并对数字词元和方向词元加权。语言模型主干是 Gemma-4-E2B-it 并加低秩适配器，前缀位置不计损失，验证头用二元交叉熵。

配套的数据集是 VoxReason。每对样本包含两段话语、各自声学测量、说话人标签和一份数字声明已校验的比较报告。构建时先从 TIMIT 和 VoxCeleb2 抽取成对录音，再用大语言模型根据两份测量记录和标签生成连续案例式报告。

报告结构参考法医语音比较报告，覆盖录音条件、韵律、发声、分段声学和证据权重，并以同人或不同人结论收尾。过滤分两层：确定性数值校验器抽取每个数字字面量并与两份测量记录的并集比对，超过两成声明失败则拒收。

大语言模型法官只筛数值匹配看不见的错误，如结论与标签矛盾、甲乙比较方向颠倒、无支持的方言性别判断等。以下导读针对数据集构建图，帮助按学习依赖复述从音频到可用监督的完整链路。该图本次收到了像素，可以观察面板箭头与文字细节。

看图路径： 1. 从左向右数五个大色块，确认数据源、成对抽取、证据提取、报告生成、法官过滤的顺序；2. 看中间证据提取列出的录音条件、韵律、发声质量等分组，确认报告可引用的测量范围；3. 看右侧两级过滤的去留箭头，区分硬失败直接丢弃与软评分低于阈值丢弃；4. 对照底部输出框，确认最终保留的是带结构化报告的接受样本

论文图 2。原论文 Figure 2:：“VoxReason construction: measurements are extracted from each recording, an LLM writes a comparison report from the two measurement records and the label, and a deterministic…”。

该图从左到右展示了 5 个阶段。左侧第一列同时列出朗读语音和野外访谈语音的数据源，第二列把话语组成话语对并控制难度，第三列用声学输入与特征层级列出录音条件、韵律节奏、发声质量等多组特征。

第四列以特征结构化记录和真值裁决为输入产出案例式散文报告，底部明确给出六节报告结构与结构化输出，第五列经过硬失败检查与加权软评分 2 级过滤得到保留样本。教学要点是监督的正确性主要由确定性数值校验保证，语言模型法官只补数值匹配之外的类别错误。

数据集固定了录音测得什么以及关于测量的语言是否正确，但按构造不提供解释判定所需的每个报告与当前判定证据的连接，这正是后文提示无法补救缺口的原因。

在什么数据、协议和基线上测量验证与接地？

验证的等错误率都来自裁决分数：对 CoLMbo-SV 和音频语言基线，用两种候选结论的教师强制负对数似然差作为分数并扫阈值；对专用编码器用余弦相似度。测试用完整规模的 VoxCeleb1-O 和 SITW 核心对核心，前者覆盖 3 万多试次，后者覆盖 70 多万试次。

数值接地在 VoxCeleb1-O 录音上重新运行提取器，构建 3000 对评测集并在相同配对身份上分层抽 600 对，对每个系统评分。关键公平条件是基线提示中不放任何数字，提示经检查不含数字字符，因此接地的数字声明必须来自音频或系统自行提取的测量。

只有微调后的 Qwen2-Audio 另给 1 次测量值在提示中的条件，作为复制上限，不参与可比排名。基线分两族。专用说话人编码器包括 ReDimNet-B6、ECAPA-TDNN 和系统内部冻结的 W2V-BERT 2.0，只输出分数不写报告。

音频语言模型包括零样本 Qwen2-Audio-7B、在 VoxReason 上低秩微调的 Qwen2-Audio-7B 和 Kimi-Audio-7B，均要求写报告。概念探针用 20,000 对来自测试说话人不相交人群的配对，按符号差的上三分位与下三分位训练线性探针并做说话人分离折叠。

平衡准确率达到 0.70 且置换检验显著才算编码。敏感性用梯度经映射器和语言模型反传、交换配对反对称化并投影到切空间后的幅度占比，随机方向检验并做错误发现率校正。关于资源可得性，本次收到的证据中没有来源绑定且完成网络状态验证的资源，因此不得声称代码、模型或数据已公开。

论文称编码器与语言模型主干是公开检查点，但是否当前可下载需要以可验证链接为准，这里不做断言。

验证精度达到什么水平？

比较问题是：在都要求写报告的音频语言模型中，CoLMbo-SV 是否显著降低验证错误，同时接近只打分不写报告的专用编码器。公平条件是都在 VoxReason 微调数据上训练音频语言基线，VoxCeleb1-O 与 SITW 都用完整试验规模，等错误率越低越好。

下表保留专用编码器与音频语言模型两族，CoLMbo-SV 是实际可运行的报告加裁决策略，表头首行为系统与试验场划分，数据行为各系统的等错误率结果。

表中主要收益是 CoLMbo-SV 在 VoxCeleb1-O 上达到较低等错误率，明显低于同数据微调的音频语言模型，并接近专用编码器的量级；在域外的 SITW 上排序保持。具体代价是与内部冻结编码器本身相比仍有差距，论文将其解释为判定经由还需写作的语言模型的代价。

未胜出项是专用编码器仍更好，但它们不写报告；零样本音频语言模型接近随机，说明成对比较不是预训练已具备的能力。域内 TIMIT 与按信噪比分层的结果在附录中给出相同趋势，低信噪度下裁决准确率与接地同步下降。

这提示报告首节给出的录音条件本身就是对判定可信度的必要上下文。

概念探针 × 概念激活向量敏感性： 概念探针在线性联合空间中检验某个声学概念能否从嵌入中解码，分工是回答表示编码了什么；概念激活向量敏感性把判定对联合表示的梯度投影到概念方向并取幅度占比，分工是回答判定对什么敏感。搭配后只有既可解码又显著敏感的概念才进入决策相关集合，再用该集合去评价报告提到了谁，从而把编码、影响和讲述三者分开。

报告的数字在多大程度上可核对？

比较问题是：在基线提示不含数字的协议下，哪个系统的数字声明必须来自音频或自提取测量，接地分数越高越好，未知率越低越好。下表用原文连续句整理关键数字，避免为凑宽度混放不同条件，复制上限另行标明不可比。

表后解释需要区分声明级与报告级。CoLMbo-SV 每份报告引用约 100 个数字，82% 声明与测量一致且每份报告至少 1/2 接地，但全部声明正确的报告仅 0.2%，因为一个数字失手就让全对指标归零。微调 Qwen2-Audio 引用约 16 个数字，声明级低于 CoLMbo-SV。

但短报告更容易全对，因此在完全接地率和重复率上占优。复制上限说明协议的重要性：把测量值放入提示可达相近声明级分数，但未知率升至 70% 以上，说明复制不能代替从音频或自提取测量生成。负结果是零样本模型大多不作答，特征覆盖也低，不能只看接地分数而忽略应答率与覆盖率。

文本测量、软词元与证据块各改变了什么？

比较问题是：报告目标、证据块格式与测量交付方式分别对裁决错误率和接地有何影响。论文的消融共用冻结编码器、映射器旁路、主干与数据，从阶段一验证器出发逐步加报告目标、证据块目标、无测量写作、软词元测量和文本测量，其中文本测量即最终 CoLMbo-SV。

原文报告阶段二冻结验证器把书面裁决从 1.06% 改进到 0.78%，要求写结构化证据块但不给测量时升至 1.37%，补上测量后回落；软词元交付接地仅略高于不给测量，而文本交付把接地推高到 0.82，每份报告至少 1/2 接地，代价是裁决比软词元版本高约 0.23 个百分点。

以下导读针对前缀偏移热图，该图本次收到了像素，可用于理解提示变化是否等于判定使用了对应特征。图中每个子图对应一种特征提问与中性配对提示的差值，行是前缀位置，列是变化最大的维度。

看图路径： 1. 先横向比较六个子图下方标注的探测特征，确认是同一中性提示下的差值热图；2. 观察每幅图下半部分更亮的横带，确认前缀位置维度上变化集中的区域；3. 对比最左侧与最右侧子图的整体亮度差异，判断哪种提问引起的偏移更大；4. 结合正文敏感性结论，判断偏移大是否等于判定更依赖该特征

论文图 3。原论文 Figure 3:：“Absolute prefix shift |h_probe-h_neutral| induced by six feature-specific prompts relative to the neutral pairwise prompt, over the 120 most variable prefix dimensions (columns)…”。

六幅子图都显示下半部分横带更亮，说明变化集中在部分前缀位置；从左到右整体亮度并不均匀，论文报告相对位移从呼吸声的 14.6% 到共振峰与嗓音起始时间的 22.8%。关键反证是位移最大的提问对应判定敏感性最小的特征，位移最小的对应敏感性较大的特征之一。

也就是说映射器确实按提问重编码了前缀，但大幅移动只证明存在重编码，不证明裁决使用了被提问特征，这与后文报告正确但不解释判定的结论一致。解码控制还显示，无重复控制时报告易循环，加入惩罚与阻塞可降重复与未知率，但也会略降接地，因为合法复用的特征名短语同样被阻塞。

正确报告为何仍不等于解释了这次判定？

比较问题是：在语言模型裁决的决策相关集合下，报告是否优先讨论本对最强的证据。公平条件是用同一 600 对报告，决策相关集合来自本系统语言模型裁决并用于所有系统，随机选择基线约为 0.812，配对特异性用本对前三与随机另 1 对前三的差值即提升值衡量。

下表保留 CoLMbo-SV、提示点名本对前三、提示点名另 1 对前三以及基线对照，均为实际可运行策略，表头给出讨论特征数与决策接地相关列划分。

表后主要判断是总量指标会掩盖问题。CoLMbo-SV 平均讨论 6.8 个特征，其中 83.5% 落在决策相关集合，但随机选也达 81.2%，因为 16 个报告特征中有 13 个本就在集合内。配对特异性上，本对前三提到 52.3%，随机另 1 对前三提到 49.6%，提升仅 0.027，几乎不区分当前配对与另一配对。

微调 Qwen2-Audio 提升较高但覆盖更少，一旦把测量放入提示也失去选择性。反例是即使在提示中点名本对前三，报告仍有约八成保持原有特征集，点名本对与点名另 1 对的出现率几乎相同，说明模板化的训练目标决定了说什么，而非当前配对的证据。

未评测边界包括性别分层探针、语义而非词面特征匹配、干预性验证，以及电话信道与法医现场录音等更难条件。VoxReason 组成同样需要如实交代训练与测试说话人不相交，避免把记忆当泛化。下表是数据集构成的原表选择，表头区分划分来源与同人不同人计数。

该表显示训练各 20,000 对并在同人与不同人之间平衡，测试每源 1000 对且说话人与训练不相交。需要指出，VoxCeleb2 测试的同人与不同人划分在原表中未以数字给出，这里不猜分布。数据集固定了测量与语言正确性，但按构造不提供每个报告与当前判定证据的连接，这正是提示无法补救缺口的原因。

复现需要固定哪些数据、模型与评分细节？

复现先固定数据与划分。VoxReason 训练来自 TIMIT 的 462 个说话人与 VoxCeleb2 的 700 个说话人各 20,000 对，同人与不同人各半；测试每源 1000 对且说话人与训练不相交，不同人配对按性别以及 TIMIT 方言区做分层。测量集共 18 个标量，覆盖录音条件、韵律、发声与分段声学。

报告生成用测量记录与标签作输入，经确定性数值校验与语言模型法官过滤，训练生成中 91.9% 每个引用数字可验证，超阈值拒收仅 0.04%。再固定模型与训练。编码器冻结且在所有结果中相同，映射器每嵌入 32 个软词元并经交叉投影形成前缀。

验证头在拼接、绝对差、逐元乘积与余弦的比较特征上训练，语言模型主干加低秩适配器并对数字与方向词元加权。3 阶段从验证到报告再到证据块逐步微调，推理提取测量文本块并贪心解码。评分固定试验列表、裁决分数定义、600 对相同配对、容差与未知处理。

以及探针的说话人分离折叠、随机方向数与多重检验校正。缺项是论文未报告完整硬件预算与每步延迟，训练资源与推理开销需另行测量，不能从冻结参数推定输出确定或成本改善。

何时值得尝试这条路线，还差哪项验证？

当任务同时需要较强验证与可核对声学说明时，这条路线值得尝试：保留完整嵌入做判定不让可读特征成为瓶颈，用文本测量让报告数字可查，用确定性校验把监督的数字正确性先固定。复现建议从冻结编码器加旁路验证头开始。

先确认书面裁决能读比较令牌，再加入测量文本块并检查声明级接地与未知率，最后才引入配对特异性评价。需要补的关键验证是把每个报告与驱动当前判定的概念连接起来的监督，例如按本对敏感概念组织训练目标，并用干预或反事实检验敏感性，而不仅是相关性。

使用边界也很明确。当前评价覆盖朗读与访谈语音，电话信道、现场取证录音与极短比较是自然的下一步；决策相关集合来自本系统裁决，用于基线时只能说明基线是否讨论本系统敏感的证据；特征提及按词面统计，数字后是否有分析未区分。

法医或准司法场景下，结构化分析只能作为可审计线索，仍需合格语音学家检查，不应把接地分数当作裁决正确或程序合规的保证。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1

• 评分模型：muse-spark-1.3-contributor

• 评分请求协议：openai_responses

← 返回 2026-09-30 语音/音乐/音频论文速递